Qwen-Image-2.1 vs Bernini-Diffusers-v2：授權條款才是整個爭論的核心

兩套開放權重影像系統在 2026 年相隔六週推出，幾乎毫無宣傳，而它們在唯一一件決定你能否靠它們建立事業的事情上，立場並不一致。 Qwen-Image-2.1，於 2026 年 9 月 20 日發佈，以研究授權條款推出——僅限非商業用途，商業使用須另行安排。 Bernini-Diffusers-v2，由 ByteDance 於 2026 年 8 月 13 日發佈，以 Apache 2.0 授權推出，這意味著你可以將它正式推出。看起來能力更強的那個版本，是你不能販售的版本；而授權更寬鬆的那個，則多半是想用來生成影片的版本。這種反轉，就是這次比較的重點。

許可證倒轉

先從文書作業開始，因為它的重要性高於本頁所有其他事項。再大的品質差距都無法彌補授權問題，再高的基準測試分數也救不回一個必須下架的產品。

• 授權 — Qwen-Image-2.1 採用 Qwen 研究授權協議，日期為 2026 年 9 月 20 日，「僅限非商業用途」，商業權利僅應要求提供；Bernini-Diffusers-v2 則為 Apache 2.0。
• 實際影響 — Qwen-Image-2.1 的工作流程屬於評估資產或個人用途；Bernini-Diffusers-v2 的工作流程今日即可正式推出，只需遵循一般的 Apache 姓名標示要求，無需與廠商進行任何洽談。
• 發展方向 — Qwen 較早的圖像產品線是依 Apache 2.0 發佈的，因此這次發佈屬於收緊；而 ByteDance 在兩代產品中都讓 Bernini 維持寬鬆授權。

如果你只讀這篇文章的其中一節，那就讀這一節。以下所有內容，都只是在兩個其實並未真正在這個軸向上打成平手的事物之間分出高下。

每個系統實際上是什麼

這兩個模型並非同一類型的物件，而只要你一看下載內容裡實際包含了什麼，差異立刻就會顯現出來。

Qwen-Image-2.1 是單一統一的模型。一個 7B、32 層的單流擴散 Transformer 以同一組權重同時處理生成與編輯，並由 Qwen3-VL 8B 文字編碼器進行條件調控，而 16× 空間壓縮的 64 通道 RGBA VAE 則肩負透明度的重責大任。總計約 33 GB，其中 DiT 本身約佔 14 GB，其餘由文字編碼器佔用。它還附帶兩個可選的提示改寫檢查點——PE-T2I 與 PE-I2I，各為微調過的 Qwen3.5-VL 9B，約 18.8 GB——會在擴散模型看到你的指令之前，先將其改寫成精確的內容。

Bernini-Diffusers-v2 是一套流程，而非單一模型。由 Qwen2.5-VL 語意規劃器負責推理並寫出潛在語意計畫；再由 Wan2.2 擴散渲染器執行該計畫。v2 配方相較於初版 Bernini 最引人注目的變革，在於共同訓練前會先對連接器進行數千步的暖身訓練，而這正是改善參考引導式影片編輯與 OpenS2V 表現的關鍵。這種兩階段拆分是其在架構上的賭注：先規劃、後渲染，如此一來，你就能透過編輯計畫來編輯影片。

• 架構 — Qwen-Image-2.1 是一款用於生成與編輯的統一 DiT；Bernini-Diffusers-v2 則是由 Qwen2.5-VL 規劃器驅動 Wan2.2 渲染器。
• 模態 — Qwen-Image-2.1 僅支援圖像；Bernini-Diffusers-v2 涵蓋 t2i、i2i、t2v、v2v、參考引導式影片編輯與 r2v，因此圖像只是側室，而非整棟房子。
• 透明度 — Qwen-Image-2.1 透過其 RGBA VAE 從取樣器輸出 alpha；Bernini-Diffusers-v2 文件所述輸出為 RGB 影片與圖像影格，並未描述任何等同的原生 alpha 路徑。
• 提示詞處理 — Qwen-Image-2.1 隨附獨立的 9B 改寫器檢查點，可供讀取、差異比對與覆寫；Bernini-Diffusers-v2 的規劃器是管線的一部分，而其提示增強器是選用的 OpenAI 相容端點呼叫，而非隨附的檢查點。
• 硬體 — Qwen-Image-2.1 可容納於單張消費級 GPU，在資源受限的顯示卡上建議使用 CPU 卸載；Bernini-Diffusers-v2 文件所述環境為 Hopper 等級，H100/H800/H200，並針對較大型配置採用多 GPU 序列平行處理。

比較不再有用的地方

拿這兩者的輸出品質來一較高下，確實很誘人。但這種比較根本不存在，硬要假裝它存在，才是不誠實的做法。

Bernini-Diffusers-v2 公布的分數是廠商自行回報的影片與編輯指標——EditVerse 8.02、OpenVE 3.96、OpenS2V 63.83、VBench 84.46——外加一項在 ByteDance 內部盲測人類兩兩對決競技場中達到第一梯隊表現的聲稱。這些都是影片指標。Bernini-Diffusers-v2 沒有任何獨立影像基準測試跑過，沒有 FID，沒有文字渲染分數，也沒有任何影像排行榜成績。另一方面，Qwen-Image-2.1 唯一的品質數字是廠商自家的 Qwen-Image-Bench 圖表，其中它顯示為 60.28，對上 Nano Banana 2.0 的 59.82 與 GPT Image 1.5 的 59.65——屬於廠商素材、未經重現，而且在本文撰寫時，該模型並未出現在獨立影像排行榜上。唯一真正獨立的資料點是來自 SGLang 整合工作的一項功能驗證：透明 PNG 輸出通過，alpha 在完整的 0–255 範圍內均獲保留，單一樣本中測得 RGBA PSNR 為 60.69 dB，且 FP8 組態通過透明 PNG 生成。SGLang 作者明確表示，這是正確性檢查，而非品質保證。

所以：兩個公開釋出的版本、兩份廠商評分表、沒有共用的基準測試，也沒有第三方兩者都跑過。任何人告訴你其中一個在影像品質上勝過另一個，都只是在複述行銷話術。

編輯哲學：改寫提示詞，或改寫計畫

兩個模型都在試圖解決同一個根本問題——使用者的指令模糊不清，而擴散模型又只會照字面理解——只是兩者解決這個問題的著眼點正好相反。

Qwen-Image-2.1 用語言解決了這個問題。PE-I2I 檢查點會接收你的編輯指令以及一張或多張輸入影像，並在生成之前將其改寫為精確的指示。由於它是一個已發布的檢查點，附帶一份已發布的 system_prompt.txt，你可以確切讀到它被要求做什麼——包括這項規則：輸出中所渲染的文字應與輸入影像裡既有文字的主要語言一致，而不是被強制使用英文。這是可檢視的行為。你可以覆寫它。

Bernini-Diffusers-v2 從結構上解決了這個問題。規劃器會產出語意計畫，渲染器再加以執行，而這種安排的有趣特性在於，計畫是可以讓你編輯的東西。對影片創作來說——重點往往是在一段序列中改變某個元素，而不必重新生成整個鏡頭——將規劃與渲染分開是正確的架構。對單張靜態影像而言，這只是多了一個活動部件。

• 編輯粒度 — Qwen-Image-2.1 支援以圈選、塗繪標註或獨立遮罩進行局部編輯，另支援透明圖層編輯，以及從 RGB 照片中擷取主體；Bernini-Diffusers-v2 有文獻記載的編輯強項是參考引導的影片編輯與主體轉影片，而非靜態影像的局部修補。
• 參考輸入 — Qwen-Image-2.1 最多可接受 10 張參考影像，不過一位早期試用評測者回報，多參考一致性大約從三張影像起便開始下降；Bernini-Diffusers-v2 的參考處理說明則是圍繞影片序列。
• 可檢視性 — Qwen-Image-2.1 的改寫邏輯是儲存庫中可讀的系統提示；Bernini-Diffusers-v2 的規劃階段則是模型權重。

這個實際上該怎麼處理

決定規則源自授權條款，而非規格表。

如果輸出會用於你販售的東西——客戶委託案、產品、付費流程——那麼這兩者之中，Bernini-Diffusers-v2 是唯一一個你不必先談授權就能使用的，而且你應該為 Hopper 等級的硬體編列預算，才能照文件所述的方式運行它。如果你是在做研究、評估或個人用途，Qwen-Image-2.1 提供的是更容易檢視的系統，也是原生支援 alpha 的那一個，代價是授權條款你終究得重新協商，否則就得放棄它。

還有第三種選項，是上述兩者都未涵蓋的，值得直接點名：代管式圖像模型，你完全不必碰授權檔案或 GPU。OrcaRouter 路由 200 多個模型，全部置於單一與 OpenAI 相容的端點之後，以供應商定價提供、零加成，並具備跨供應商的自動容錯移轉、用於備援鏈的路由 DSL，以及模型融合。截至撰稿之時，Qwen-Image-2.1 與 Bernini-Diffusers-v2 都不在我們的目錄中——我們不路由任何版本的 Qwen-Image 模型，也不路由任何 Bernini 模型——所以這並不是替其中任何一個宣傳。我們確實提供的路由圖像產品線，是 OpenAI 的 GPT-Image 系列、Google 的 Imagen 4 各級方案與 Gemini 圖像預覽版，以及 xAI 的 Grok Imagine 圖像端點；由於我們是直接轉嫁定價而非加以加成，這些產品中任何一個的廠商降價，當天就會生效。

兩個儲存庫都無法回答的部分

這兩者都是毫無預告的悄然發布，而悄然發布很難事先規劃。Qwen-Image-2.1 唯一的提前訊號，是 9 月 17 日的一則搶先體驗通知，提供 50 個 ModelScope 名額，並要求測試者在 9 月 29 日前發布成果——也就是權重公開的前三天。Bernini-Diffusers-v2 則是在 8 月 13 日直接出現在 Hugging Face 上，並附有一個 Gitee 鏡像。

兩者都缺少的，是一個相信這些條款會維持不變的理由。Qwen 在上一個圖像生成版本與這一個版本之間收緊了它的授權條款，這是關於方向的一個資料點。ByteDance 在兩個世代之間都維持 Bernini Apache 2.0，這是關於另一個方向的一個資料點。無論其中哪一項是否會在下一版發布中維持，從現在這裡都無法得知，而這正是你在投入一條管線之前、而不是之後，應該檢查的事。